Article Per Year (5 Year)
p-Index From 2021 - 2026
1.325
P-Index
This Author published in this journals
All Journal Journal of Public Policy and Management Review Jurnal Ilmiah KOMPUTASI PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Ensiklopedia Education Review Jurnal PORKES Jurnal Digital Teknologi Informasi FingeR: Journal of Elementary School Jurnal Informatika: Jurnal Pengembangan IT
Rina Noviana, Rina
Jurusan Administrasi Publik Fakultas Ilmu Sosial dan Ilmu Politik Universitas Diponegoro
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Economics, Econometrics & Finance Education Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Public Health Social Sciences

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : jurnal ilmiah komputasi

 1 
Training Custom Model Deteksi Udang menggunakan YOLOv8 Maulana, Muhamad Irfan; Noviana, Rina
Jurnal Ilmiah Komputasi Vol. 22 No. 4 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 4, Desember 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.4.3526

Abstract

Perkembangan teknologi informasi yang semakin pesat membuat perkembangan teknologi di dunia computer vision semakin berkembang. Saat ini, penggunaan teknologi computer vision secara masif digunakan hampir di setiap kehidupan manusia yang tentunya sangat membantu manusia dalam melakukan pekerjaan dan aktivitas sehari-hari. Salah satu objek dari visi komputer adalah deteksi objek. Salah satu komoditas perikanan yang berkembang pesat di Indonesia adalah udang. Teknologi pendeteksian objek dapat membantu para petambak udang dalam mendeteksi udang dan menentukan jumlah udang yang terdeteksi. Penelitian ini akan membuat model pelatihan khusus untuk mendeteksi udang dengan menggunakan YOLOv8. Dataset yang digunakan adalah dataset dengan dua kelas, yaitu udang dan bukan_udang dengan jumlah data citra sebanyak 6630 data. Proses anotasi citra dilakukan dengan menggunakan roboflow. Proses training dataset dilakukan dengan menggunakan Google Colaboratory, YOLOv8, dan hasil yang didapat disimpan di Google Drive. Pelatihan dilakukan dengan total 300 epoch. Nilai rata-rata precision sebesar 92.57%, sedangkan nilai recall sebesar 88.2%. Akurasi model diperoleh nilai 93.2%. Hasil ini menggambarkan bahwa model relatif stabil dalam mengklasifikasikan objek dengan tepat.
Shrimp-Detector App Aplikasi Website untuk Mendeteksi Udang Menggunakan Custom Model YOLOv8, Onnxruntime-web API, dan React Js Noviana, Rina; Maulana, M. Irfan
Jurnal Ilmiah Komputasi Vol. 23 No. 2 (2024): Jurnal Ilmiah Komputasi : Vol. 23 No 2, Juni 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.23.2.3583

Abstract

Industri akuakultur atau perikanan di Indonesia telah berkembang pesat dan merupakan sektor yang memiliki peran penting dalam perekonomian dan pasokan pangan nasional di Indonesia. Salah satu komoditas perikanan yang berkembang pesat di Indonesia adalah udang. Teknologi pendeteksian objek dapat membantu para petambak udang dalam mendeteksi udang dan menentukan jumlah udang yang terdeteksi. Dalam penelitian ini, akan dibangun aplikasi website “Shrimp-Detector App” yang dapat mendeteksi udang dan menghitung jumlah udang yang terdeteksi menggunakan YOLOv8, Onnxruntime-web API, dan React Js. Dataset yang digunakan adalah dataset dengan dua kelas, yaitu udang dan bukan_udang dengan jumlah data citra sebanyak 6630. Proses anotasi citra dilakukan dengan menggunakan roboflow. Proses training dataset dilakukan dengan menggunakan Google Colaboratory, YOLOv8, dan hasil yang didapat disimpan di Google Drive. Pembuatan aplikasi website menggunakan framework javascript yaitu react js. Proses deployment menggunakan tools Netlify sebagai provider CI/CD deployment tools. Pelatihan dilakukan dengan total 300 epoch. Nilai rata-rata precision sebesar 92.57%, sedangkan nilai recall sebesar 88.2%. Akurasi model diperoleh nilai 93.2%. Hasil ini menggambarkan bahwa model relatif stabil dalam mengklasifikasikan objek dengan tepat.
Co-Authors Amalia, Rifki Andryani, Dewi Didik Daniyantara Dwi Widiastuti, Dwi Dyah Lituhayu Hariadi Hariadi Hary Septianwari Isram Rasal Joko Utomo Karno Dinata, Karno Maulana, M. Irfan Maulana, Muhamad Irfan Najamuddin Najamuddin, Najamuddin Putra, Firmansyah Adi Ramadha, Kartika Nur Resti Septikasari Rosidi, Ahyar Suroso, Amat Suryansah Susi Sulandari Ulin Ni'am, Ahmad Winarti Winarti